1062 articles
Cet article propose un paradigme d'apprentissage automatique qui contourne la reconstruction d'image traditionnelle pour détecter directement des entités d'intérêt, telles que des maladies, à partir de mesures minimales, réduisant ainsi considérablement les coûts et le temps d'acquisition tout en maintenant la précision du diagnostic.
Ce document propose un cadre d'allocation de tâches hybride pour les systèmes multi-robots hétérogènes qui combine un grand modèle de langage pour générer des solutions initiales de haute qualité basées sur le langage naturel avec un algorithme de recherche locale à accélération et décélération guidé par la mémoire, atteignant une réduction de 17,07 % du temps d'exécution de la mission par rapport aux méthodes traditionnelles tout en maintenant la scalabilité.
Cet article présente le Virtual Speech Therapist (VST), une plateforme pilotée par l'IA et incluant le clinicien dans la boucle, qui intègre une classification du bégaiement basée sur l'apprentissage profond à un raisonnement de modèles de langage à agents multiples pour générer, critiquer et affiner des plans de thérapie personnalisés et fondés sur des données probantes destinés à l'examen et à la mise en œuvre par des experts.
Cet article introduit la « Méthode du lancer de dés », un protocole statistiquement fondé qui remplace les hypothèses paramétriques défaillantes par un cadre de modèle linéaire généralisé (GLMM) de type binomial négative et une analyse de puissance basée sur la simulation afin d'établir des nombres d'itérations standardisés et des seuils de fiabilité pour mesurer le biais stochastique dans les sorties de modèles de langage de grande taille.
MobiShield est un nouveau cadre d'apprentissage fédéré pour la détection de logiciels malveillants sur Android qui traite simultanément l'hétérogénéité des données non-IID, la dérive de concept et les fuites de confidentialité en intégrant une pondération adaptative des caractéristiques, une détection de dérive basée sur Hoeffding et un mécanisme de confidentialité différentielle dynamique qui ajuste les niveaux de bruit en réponse aux changements de distribution.
Cet article propose un cadre d'apprentissage fédéré respectueux de la vie privée qui intègre un modèle hybride combinant un réseau de neurones profonds et XGBoost pour détecter efficacement les cybermenaces dans les environnements de l'Internet des Objets Médicaux tout en abordant les défis liés à la confidentialité des données, à la distribution de données non-IID et aux attaques adverses.
Cet article propose un cadre modulaire et léger, fondé sur la recherche d'informations, qui détecte et corrige efficacement les hallucinations dans les grands modèles de langage en exploitant la recherche de preuves par TF-IDF et une vérification pondérée, atteignant ainsi une grande précision de détection et une réduction significative des hallucinations sans la surcharge de calcul de l'inférence multi-LLM.
Cet article propose un nouveau cadre conceptuel, Secure QoS-IPv6, qui intègre de manière synergique la détection d'anomalies pilotée par l'IA, une blockchain de consortium légère et le routage basé sur l'apprentissage par renforcement profond au sein d'une architecture SDN et 6TiSCH à quatre couches pour répondre globalement aux défis de sécurité, de confiance et de qualité de service dans les réseaux IoT IPv6 hétérogènes et à ressources contraintes.
Cette étude démontre que les résultats relatifs au risque de citation pour les articles de gastro-entérologie clinique peuvent être prédits avec précision en utilisant uniquement des informations relatives au moment de la publication, les modèles de référence non sémantiques et les plongements de documents entiers atteignant une haute performance dans l'identification des articles à faible taux de citation au sein d'un corpus de littérature délimité.
Le papier propose CAFR, un cadre de détection à deux voies qui améliore la détection d'objets inconnus en employant un mécanisme de rectification asymétrique pour prévenir la surconfiance des catégories connues et une modélisation du premier plan guidée par prototypes pour améliorer l'estimation de l'« objectness », atteignant ainsi une précision et un score F1 supérieurs tout en maintenant une performance stable pour les catégories connues.